Az R Notebookról bővebben
Töltsünk be egy pár csomagot!
Miről szól a felfedező adatelemzés?
Az a cél, hogy elkezdjük érteni az adatokat.
Kreatív folyamat, hagyatkozzunk a megérzéseinkre (is),
- Találj ki kérdéseket az adatokkal kapcsolatban!
- Próbáld megválaszolni őket ábrázolások, transzformációk, és modellek által!
- Ezek fényében finomítsd a kérdéseket, és tegyél fel újakat!
Érdemes jó sok kérdéssel indítani, aztán majd elválik, hogy melyikkel mennyit érdemes foglalkozni
Nincsenek szigorúan értelmezett szabályok, két kérdés viszont általában érdekes:
- milyen a változók variabilitása?
- milyen a változók közös varianciája?
Változók variabilitásának vizsgálata
Eloszlások megjelenítése
Kategorikus változók: oszlopdiagram 
Oszlopok magassága
x lehetséges értékeinek darabszámát mutatja
Folytonos változók eloszlását pedig megnézhetjük mondjuk egy hisztogramon 
A megjelenített értékek kiszámolása
geom_histogram binwidth argumentuma mondja meg, hogy az x változót mekkora intervallumokra szabdaljuk fel az ábrázoláshoz - érdemes kipróbálni több értéket! Pl. csak a három karátnál kisebb gyémántok, keskenyebb binekkel:

Ugyanez szétdobva csiszolás szerint fazettákra 
Ha több kategória eloszlását egy ábrán akarjuk mutatni, rajzoljunk inkább vonalakat! 
Mire érdemes figyelni?
- Mik a leggyakoribb értékek? Miért?
- Mik a legritkább értékek? Miért? Erre számítottunk?
- Szokatlan, különös mintázatok? Mi lehet az oka?
Mi az érdekes ezen az ábrán? 
És ezen? 
Klaszterekbe tömörülő hasonló értékek alcsoportokra utalhatnak.
- Milyen szempontból hasonlóak egymáshoz az egy csoportba tartozó megfigyelések?
- Milyen szempontból különböznek egymástól a külön csoportokba tartozó megfigyelések?
- Hogyan lehetne jellemezni a klasztereket?
- Miért lehet félrevezető a klaszterek jelenléte?
Szokatlan értékek (outlier)
Több oka is lehet!
- adatrögzítési hiba
- ritkán előforduló eset, amit informatív lehet

Hol van itt az outlier? Közelítsünk rá az ábrára!

Nézzük meg jobban ezeket a megfigyeléseket!
Gondoljuk végig alaposan: mi okozhatta ezeket az anomáliákat?
Gyakorlás - eloszlások ábrázolása
Vizsgáld meg a price változó eloszlását! Észreveszel-e valami furát?
Hiányzó értékek
Mit tegyünk ezekkel a furcsa gyémántokkal?
## Warning: Removed 9 rows containing missing values (geom_point).

ggplot2 figyelmeztet az NA-kra
De az is lehet, hogy pont a hiányzó értékeket tartalmazó megfigyelések érdekesek Pl. mikor kellett volna indulniuk a törölt járatoknak?

Miért nem túl informatív ez az ábra?
Változók közös varianciája
Kategorikus vs. folytonos

A gyakoriságokban nagy eltérések vannak, ezért nem látszik jól, hogy különbözik-e a különböző csiszolású gyémántok eloszlása

Ilyenkor darabszám helyett érdemes a sűrűséget mutatni: 
Vagy használhatunk boxplotot is 
A rosszabb minőségű gyémántok drágábbak lennének?
A csiszolás szempontjából egyértelműen rangsorolhatóak a gyémántok. De nem minden kategorikus változó ordinális. Vegyük például a különböző típusú autók fogyasztását.

Az ábra áttekinthetőbb lehet, ha a fogyasztás mediánja szerint sorbarendezzük a kategóriákat

Ha hosszúak a változónevek, forgassunk egyet az ábrán: 
Gyakorlás - kovariancia ábrázolása 1.
Hogyan javíthatnánk akkor ezen az ábrán az eddigiek fényében? 
Kategorikus vs. kategorikus

Az ábrához tartozó gyakorisági tábla
Amit megmutathatunk egy szép hőtérképen is 
Gyakorlás - kovariancia ábrázolása 2.
A dplyr és a geom_tile() felhasználásával nézzük meg, hogyan alakul az átlagos késés célállomásonként, havi bontásban. Miért lehet nehézkes ez az ábra? Mit lehetne kezdeni vele?
Folytonos vs. folytonos

Hátha többet látunk, ha áttetszővé tesszük a pontokat 
Nagy adathalmazokon nem mindig segít az áttetszőség szabályzása Ilyenkor binekre is oszthatjuk az adatokat 
Készíthetünk boxplotot is, ha csak az egyik folytonos változót szeleteljük: 
Ebből nem derül ki, hogy melyik dobozban hány gyémánt van, nézzük meg! 
Vagy daraboljunk körülbelül egyforma elemszámú bin-ekre! 
Gyakorlás - kovariancia ábrázolása 3.
Ábrázoljuk az eddigiek segítségével a csiszolás, a karát, és az ár kombinált eloszlását!
Összetett felfedező elemzések gyorsan
GGally
Változók eloszlása és kapcsolata egy nagy ábrán, egyetlen sor kóddal 
Érdemes tudni a base graphics pairs() függvényéről is: kevésbé látványos, viszont jóval gyorsabb 
Egyéb pontfelhő-mátrix lehetőségek
Hasznos lehet még a ggcoef() egy modell együtthatóinak gyors áttekintéséhez
Nézzünk egy példát!
Mivel függ össze a fogyasztás? 
Illesszünk többszörös lineáris regresziós modellt, és nézzük meg az eredményeket!
##
## Call:
## lm(formula = mpg ~ ., data = .)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.64562 -0.27212 -0.02854 0.17607 0.97245
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.568e-17 7.740e-02 0.000 1.00000
## disp -1.927e-02 2.128e-01 -0.091 0.92851
## hp -3.544e-01 1.301e-01 -2.724 0.01097 *
## wt -6.171e-01 1.731e-01 -3.565 0.00133 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4379 on 28 degrees of freedom
## Multiple R-squared: 0.8268, Adjusted R-squared: 0.8083
## F-statistic: 44.57 on 3 and 28 DF, p-value: 8.65e-11
## 2.5 % 97.5 %
## (Intercept) -0.1585520 0.15855201
## disp -0.4552375 0.41670004
## hp -0.6209244 -0.08795267
## wt -0.9716283 -0.26249869
Mindezt ábrázolhatjuk is 
corrplot
Korrelációs mátrixok ábrázolása 

Akkor igazán hasznos a corrplot, ha sok változó korrelációját szeretnénk egyben áttekinteni.
Például nézzük meg egy 25 kérdésből álló Big Five személyiségteszt tételeinek korrelációit!

További beállítási lehetőségek a corrplot-ban
Interaktív ábrák a plotly-vel
Bevezetés a plotly használatába
Nézzünk meg elsőnek egy vulkánt!
## No trace type specified:
## Based on info supplied, a 'heatmap' trace seems appropriate.
## Read more about this trace type -> https://plot.ly/r/reference/#heatmap
Texas-i ingatlanpiaci adatok
Két út a plotly objektumok létrehozására:
- ggplotly(): egy ggplot objektum átalákítása
- plot_ly(): közvetlenül az adatok megadása
ggplotly(): egy ggplot objektum átalákítása
Készítsünk egy ggplot2 ábrát, ahol az idő függvényében mutatjuk a városonkénti medián eladási árat!
## Warning: Removed 446 rows containing missing values (geom_path).

A tooltip alapból minden információt mutat, amit az esztétikai kapcsolásnál (aes) megadtunk
Felül is írhatjuk, hogy mit kapjon meg a tooltip
plot_ly(): közvetlenül az adatok megadása
Adatok manipulálásra a dplyr és a tidyr függvényeit használhatjuk Pl. a csoportosított adatokat “érti” a plotly (csoportosítás minden egyes szintjére lesz legalább egy grafikai elem)
Létrehozunk egy plotly objektumot
plotly_data() visszaadja egy plotly objektumhoz tartozó adatokat
A plotly csomagban van egy rakás add_*() függvény
Ezek öröklik a plot_ly() híváskor meghatározott attribútumokat (pl. melyik tengelyen mi legyen)
És öröklik a plotly objektumhoz tartozó adatokat, amit felülírhatunk a data argumentumnál
Gondolhatunk úgy is ezekre a függvényekre mint a ggplot2 rétegeinek egy változatára
---
title: "Felfedező adatelemzés"
output:
  html_document:
    code_download: true
    df_print: paged
    toc: true
    toc_float:
      toc_collapsed: true
  html_notebook: default
---

[Az R Notebookról bővebben](https://bookdown.org/yihui/rmarkdown/notebook.html)


```{r, include=FALSE}
# ezzel a sorral állíthatnánk be, hogy a kód ne kerüljön bele a knittelt doksiba
knitr::opts_chunk$set(echo=FALSE)
```

Töltsünk be egy pár csomagot!
```{r, message=FALSE, warning=FALSE}
library(tidyverse)
library(plotly)
library(htmlwidgets)
library(GGally)
library(gridExtra)
library(corrplot)
library(plotly)
library(htmlwidgets)
```


#Miről szól a felfedező adatelemzés?

Az a cél, hogy elkezdjük érteni az adatokat.

Kreatív folyamat, hagyatkozzunk a megérzéseinkre (is),   

1. Találj ki kérdéseket az adatokkal kapcsolatban!
2. Próbáld megválaszolni őket ábrázolások, transzformációk, és modellek által!
3. Ezek fényében finomítsd a kérdéseket, és tegyél fel újakat!

Érdemes jó sok kérdéssel indítani, aztán majd elválik, 
hogy melyikkel mennyit érdemes foglalkozni

Nincsenek szigorúan értelmezett szabályok, két kérdés viszont általában érdekes: 

- milyen a változók variabilitása?
- milyen a változók közös varianciája?

##Változók variabilitásának vizsgálata 
 
Eloszlások megjelenítése
 

Kategorikus változók: oszlopdiagram
```{r}
ggplot(data = diamonds) +
  geom_bar(mapping = aes(x = cut))
```

Oszlopok magassága *x* lehetséges értékeinek darabszámát mutatja
```{r}
diamonds %>% 
  count(cut)
```


Folytonos változók eloszlását pedig megnézhetjük mondjuk egy hisztogramon
```{r}
ggplot(data = diamonds) +
  geom_histogram(mapping = aes(x = carat), binwidth = 0.5)
```


A megjelenített értékek kiszámolása

```{r}
diamonds %>% 
  count(cut_width(carat, 0.5))
```

geom_histogram binwidth argumentuma mondja meg, 
hogy az x változót mekkora intervallumokra szabdaljuk fel
az ábrázoláshoz - érdemes kipróbálni több értéket!
Pl. csak a három karátnál kisebb gyémántok, keskenyebb binekkel:

```{r}
smaller <- diamonds %>% 
  filter(carat < 3)

ggplot(data = smaller, mapping = aes(x = carat)) +
  geom_histogram(binwidth = 0.1) 

```


Ugyanez szétdobva csiszolás szerint fazettákra
```{r, fig.height=6}
ggplot(data = smaller, mapping = aes(x = carat)) +
  geom_histogram(binwidth = 0.1) + 
  facet_wrap(~ cut, nrow = 5)
```



Ha több kategória eloszlását egy ábrán akarjuk mutatni, rajzoljunk inkább vonalakat!
```{r}
ggplot(data = smaller, mapping = aes(x = carat, colour = cut)) +
  geom_freqpoly(binwidth = 0.1, size = 2)
```


Mire érdemes figyelni?

- Mik a leggyakoribb értékek? Miért? 
- Mik a legritkább értékek? Miért? Erre számítottunk?
- Szokatlan, különös mintázatok? Mi lehet az oka?


Mi az érdekes ezen az ábrán?
```{r}
ggplot(data = smaller, mapping = aes(x = carat)) +
  geom_histogram(binwidth = 0.01)
```



És ezen?
```{r}
ggplot(data = faithful, mapping = aes(x = eruptions)) + 
  geom_histogram(binwidth = 0.25) + 
  xlab("Kitörés hossza (perc)") +
  ylab("Gyakoriság") + 
  ggtitle("Az Old Faithful gejzír kitörései")
```

Klaszterekbe tömörülő hasonló értékek alcsoportokra utalhatnak.

- Milyen szempontból hasonlóak egymáshoz az egy csoportba tartozó megfigyelések?
- Milyen szempontból különböznek egymástól a külön csoportokba tartozó megfigyelések? 
- Hogyan lehetne jellemezni a klasztereket?
- Miért lehet félrevezető a klaszterek jelenléte? 


Szokatlan értékek (outlier)

Több oka is lehet! 

- adatrögzítési hiba
- ritkán előforduló eset, amit informatív lehet

```{r}
ggplot(diamonds) + 
  geom_histogram(mapping = aes(x = y), binwidth = 0.5)
```

Hol van itt az outlier? Közelítsünk rá az ábrára!

```{r}
ggplot(diamonds) + 
  geom_histogram(mapping = aes(x = y), binwidth = 0.5) +
  coord_cartesian(ylim = c(0, 50))
```


Nézzük meg jobban ezeket a megfigyeléseket!
```{r}
(unusual <- diamonds %>% 
  filter(y < 3 | y > 20) %>% 
  select(price, x, y, z) %>%
  arrange(y))
```

Gondoljuk végig alaposan: mi okozhatta ezeket az anomáliákat?


###Gyakorlás - eloszlások ábrázolása

Vizsgáld meg a price változó eloszlását! Észreveszel-e valami furát?



##Hiányzó értékek 

Mit tegyünk ezekkel a furcsa gyémántokkal?

- eldobhatjuk őket - miért nem szerencsés?

```{r}
diamonds2 <- diamonds %>% 
  filter(between(y, 3, 20))
```



-  a furcsa értékeiket átírjuk hiányzóra


```{r}
diamonds2 <- diamonds %>% 
  mutate(y = ifelse(y < 3 | y > 20, NA, y))
```



```{r}
ggplot(data = diamonds2, mapping = aes(x = x, y = y)) + 
  geom_point()
```



ggplot2 figyelmeztet az NA-kra

De az is lehet, hogy pont a hiányzó értékeket tartalmazó megfigyelések érdekesek 
Pl. mikor kellett volna indulniuk a törölt járatoknak? 


```{r}
nycflights13::flights %>% 
  mutate(
    cancelled = is.na(dep_time),
    sched_hour = sched_dep_time %/% 100,
    sched_min = sched_dep_time %% 100,
    sched_dep_time = sched_hour + sched_min / 60
  ) %>% 
  ggplot(mapping = aes(sched_dep_time)) + 
  geom_freqpoly(mapping = aes(colour = cancelled), binwidth = 1/4)

```


Miért nem túl informatív ez az ábra? 


## Változók közös varianciája 


###Kategorikus vs. folytonos

```{r}
ggplot(data = diamonds, mapping = aes(x = price)) + 
  geom_freqpoly(mapping = aes(colour = cut), binwidth = 500)
```

A gyakoriságokban nagy eltérések vannak, ezért nem látszik jól, hogy különbözik-e
a különböző csiszolású gyémántok eloszlása

```{r}
ggplot(diamonds) + 
  geom_bar(mapping = aes(x = cut))
```


Ilyenkor darabszám helyett érdemes a sűrűséget mutatni:
```{r}
ggplot(data = diamonds, mapping = aes(x = price, y = ..density..)) + 
  geom_freqpoly(mapping = aes(colour = cut), binwidth = 500)
```


Vagy használhatunk boxplotot is
```{r}
ggplot(data = diamonds, mapping = aes(x = cut, y = price)) +
  geom_boxplot()
```

A rosszabb minőségű gyémántok drágábbak lennének?


A csiszolás szempontjából egyértelműen rangsorolhatóak a gyémántok.
De nem minden kategorikus változó ordinális.
Vegyük például a különböző típusú autók fogyasztását.

```{r}
ggplot(data = mpg, mapping = aes(x = class, y = hwy)) +
  geom_boxplot()
```

Az ábra áttekinthetőbb lehet, ha a 
fogyasztás mediánja szerint sorbarendezzük a kategóriákat

```{r}
ggplot(data = mpg) +
  geom_boxplot(mapping = aes(x = reorder(class, hwy, FUN = median), y = hwy))
```

Ha hosszúak a változónevek, forgassunk egyet az ábrán:
```{r}
ggplot(data = mpg) +
  geom_boxplot(mapping = aes(x = reorder(class, hwy, FUN = median), y = hwy)) +
  coord_flip()
```

####Gyakorlás - kovariancia ábrázolása 1.

Hogyan javíthatnánk akkor ezen az ábrán az eddigiek fényében?
```{r}
nycflights13::flights %>% 
  mutate(
    cancelled = is.na(dep_time),
    sched_hour = sched_dep_time %/% 100,
    sched_min = sched_dep_time %% 100,
    sched_dep_time = sched_hour + sched_min / 60
  ) %>% 
  ggplot(mapping = aes(sched_dep_time)) + 
  geom_freqpoly(mapping = aes(colour = cancelled), binwidth = 1/4)

```


###Kategorikus vs. kategorikus
```{r}
ggplot(data = diamonds) +
  geom_count(mapping = aes(x = cut, y = color))
```

Az ábrához tartozó gyakorisági tábla
```{r}
diamonds %>% 
  count(color, cut) 
```

Amit megmutathatunk egy szép hőtérképen is
```{r}
diamonds %>% 
  count(color, cut) %>%  
  ggplot(mapping = aes(x = color, y = cut)) +
  geom_tile(mapping = aes(fill = n))
```

####Gyakorlás - kovariancia ábrázolása 2.


A dplyr és a geom_tile() felhasználásával nézzük meg, hogyan alakul az átlagos késés
célállomásonként, havi bontásban. 
Miért lehet nehézkes ez az ábra? Mit lehetne kezdeni vele?




###Folytonos vs. folytonos

```{r}
ggplot(data = diamonds) +
  geom_point(mapping = aes(x = carat, y = price))
```

Hátha többet látunk, ha áttetszővé tesszük a pontokat
```{r}
ggplot(data = diamonds) + 
  geom_point(mapping = aes(x = carat, y = price), alpha = 1 / 100)
```

Nagy adathalmazokon nem mindig segít az áttetszőség szabályzása
Ilyenkor binekre is oszthatjuk az adatokat
```{r}
ggplot(data = smaller) +
  geom_bin2d(mapping = aes(x = carat, y = price), bins = 30)
```

Készíthetünk boxplotot is, ha csak az egyik folytonos változót szeleteljük:
```{r}
ggplot(data = smaller, mapping = aes(x = carat, y = price)) + 
  geom_boxplot(mapping = aes(group = cut_width(carat, 0.1)))
```

Ebből nem derül ki, hogy melyik dobozban hány gyémánt van, nézzük meg!
```{r}
ggplot(data = smaller, mapping = aes(x = carat, y = price)) + 
  geom_boxplot(mapping = aes(group = cut_width(carat, 0.1)), varwidth = TRUE)

```


Vagy daraboljunk körülbelül egyforma elemszámú bin-ekre!
```{r}
ggplot(data = smaller, mapping = aes(x = carat, y = price)) + 
  geom_boxplot(mapping = aes(group = cut_number(carat, 20)))
```

####Gyakorlás - kovariancia ábrázolása 3.

Ábrázoljuk az eddigiek segítségével a csiszolás, a karát, és az ár kombinált eloszlását!



#Összetett felfedező elemzések gyorsan

##GGally 

Változók eloszlása és kapcsolata egy nagy ábrán, egyetlen sor kóddal
```{r, fig.width=10, fig.height=10, message=FALSE}
ggpairs(iris, progress=FALSE)
```

Érdemes tudni a base graphics pairs() függvényéről is: kevésbé látványos, viszont jóval gyorsabb
```{r, fig.height=7,  fig.width=7}
pairs(iris, pch=16)
```

[Egyéb pontfelhő-mátrix lehetőségek](http://www.sthda.com/english/wiki/scatter-plot-matrices-r-base-graphs#r-base-scatter-plot-matrices-pairs)

Hasznos lehet még a ggcoef() egy modell együtthatóinak gyors áttekintéséhez

Nézzünk egy példát!

Mivel függ össze a fogyasztás? 
```{r}
mtcars %>% 
  select(mpg, disp, hp, wt) %>% 
  pairs()
```

Illesszünk többszörös lineáris regresziós modellt, és nézzük meg az eredményeket!
```{r}
model <- 
  mtcars %>% 
  select(mpg, disp, hp, wt) %>% 
  # standardizáljuk a változókat, hogy standardizált együtthatókat kapjunk
  mutate_all(scale) %>%
  lm(mpg ~  ., data = .)

summary(model)
confint(model)
```

Mindezt ábrázolhatjuk is
```{r}
ggcoef(model)
```

##corrplot


Korrelációs mátrixok ábrázolása
```{r}
mtcars %>% 
  select(mpg, disp, hp, wt) %>% 
  cor() %>% # korrelációs mátrix
  corrplot()
```

```{r}
p_mat <- 
  mtcars %>% 
  select(mpg, disp, hp, wt, qsec) %>% 
  cor.mtest() %>% .[["p"]] # kinyerjük a korrelációkhoz tartozó 

mtcars %>% 
  select(mpg, disp, hp, wt, qsec) %>% 
  cor() %>% # korrelációs mátrix
  corrplot(p.mat       = p_mat, 
           method      = "square", 
           addCoef.col = "lightgrey", 
           mar         = c(0.2,1,1,0.5), 
           insig       = "blank")

```

Akkor igazán hasznos a corrplot, ha sok változó korrelációját szeretnénk egyben áttekinteni.

Például nézzük meg egy 25 kérdésből álló Big Five személyiségteszt tételeinek korrelációit!

```{r}
psych::bfi %>%
  select(-(gender:age)) %>% 
  cor(use = "p") %>% 
  corrplot(method      = "square", 
           mar         = c(0.2,1,1,0.5))
```



[További beállítási lehetőségek a corrplot-ban](https://cran.r-project.org/web/packages/corrplot/vignettes/corrplot-intro.html)


# Több panelből álló ábrák 

gridArrange csomag

```{r, message=FALSE, fig.width=15}
p1 <- ggplot(diamonds) + 
  geom_freqpoly(aes(price), col="blue",binwidth = 1000)

p2 <- ggplot(diamonds) + 
  geom_point(aes(carat, price), alpha = 0.01, col="blue")

p3 <- ggplot(diamonds) + 
  geom_histogram(aes(price), fill="blue", binwidth = 10)

grid.arrange(p1, p2, p3, nrow = 1)
```

Ábrák elrendezésének finomhangolása a layout_matrix argumentummal
```{r, fig.width=15}
grid.arrange(p1, p2, p3, 
             layout_matrix = rbind(c(1, 2, 2),
                                   c(3, 2, 2))
             )
```

[További lehetőségek több panelből álló ábrák szerkesztésére](https://cran.r-project.org/web/packages/egg/vignettes/Ecosystem.html)


#Interaktív ábrák a plotly-vel

[Bevezetés a plotly használatába](https://plotly-book.cpsievert.me/)

Nézzünk meg elsőnek egy vulkánt!
```{r}
plot_ly(z = ~volcano)
```


```{r}
plot_ly(z = ~volcano) %>% add_surface()
```


Texas-i ingatlanpiaci adatok
```{r}
txhousing
```



Két út a plotly objektumok létrehozására:

1) ggplotly(): egy ggplot objektum átalákítása
2) plot_ly(): közvetlenül az adatok megadása


##ggplotly(): egy ggplot objektum átalákítása

Készítsünk egy ggplot2 ábrát, ahol az idő függvényében mutatjuk a városonkénti medián eladási árat!
```{r}
(p <- ggplot(txhousing, aes(date, median)) +
  geom_line(aes(group = city), alpha = 0.2))
```


A tooltip alapból minden információt mutat, amit az esztétikai kapcsolásnál (aes) megadtunk
```{r}
ggplotly(p)
```

Felül is írhatjuk, hogy mit kapjon meg a tooltip  
```{r}
ggplotly(p, tooltip = "city")
```

##plot_ly(): közvetlenül az adatok megadása

Adatok manipulálásra a dplyr és a tidyr függvényeit használhatjuk
Pl. a csoportosított adatokat "érti" a plotly 
(csoportosítás minden egyes szintjére lesz legalább egy grafikai elem)

```{r}
tx <- group_by(txhousing, city)
```

Létrehozunk egy plotly objektumot
```{r}
p <- plot_ly(tx, x = ~date, y = ~median)
```

plotly_data() visszaadja egy plotly objektumhoz tartozó adatokat
```{r}
plotly_data(p) 
```
```{r}
# városonként felrakunk egy-egy vonalat az ábrára (város csoportosító változó)
p %>% 
  add_lines(alpha = 0.2, name = "Texan Cities", hoverinfo = "none") %>% 
  # Houston kap egy külön vonalat
  add_lines(name = "Houston", data = filter(txhousing, city == "Houston"))
```
A plotly csomagban van egy rakás add_*() függvény

Ezek öröklik a plot_ly() híváskor meghatározott attribútumokat (pl. melyik tengelyen mi legyen)

És öröklik a plotly objektumhoz tartozó adatokat, amit felülírhatunk a data argumentumnál

Gondolhatunk úgy is ezekre a függvényekre mint a ggplot2 rétegeinek egy változatára 
